Imaging neuroscience (Cambridge, Mass.) · 2025

LesionSCynth: Простой метод синтеза параметрических повреждений для улучшения сегментации позвоночника в сценариях с низким уровнем данных.

СтатьяНазвание и аннотация: Машинный перевод · не проверен

Обработка статьи · этапы, ошибки и управление

Загрузка состояния…

История · было → стало

Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.

Walsh Ricky, Kaur Prabhjot, Karimi Davood, Kerbrat Anne, Warfield Simon K, Galassi Francesca, Combès Benoit

Аннотация

Обнаружение множественных склерозных повреждений спинного мозга является важной, но сложной задачей для радиологов и неюрологов. Несмотря на то, что модели глубокого обучения продемонстрировали перспективность этой задачи, подготовка этих моделей требует больших аннотированных вручную массивов данных, которые требуют много времени и затрат. В целях уменьшения нагрузки на аннотацию в настоящем исследовании предлагается использовать систему " LesionSCynth " , которая является параметрической основой для синтеза гиперинтенсных повреждений спинного мозга. На основе анализа распределения реальных повреждений в сагиттальных поглощениях Т2 LesionSCynth генерирует реалистичные синтетические повреждения, которые могут усилить небольшие аннотированные наборы данных. Сегментные модели, подготовленные на основе сочетания этих синтетических повреждений и 17 реальных приобретений, добились заметно более высоких результатов по сравнению с теми, которые были подготовлены только на предмет реальных повреждений (0,52 против 0,46 ВЦВ, соответственно). В частности, модели, подготовленные с повреждениями " LesionSCynth " , добились аналогичных показателей обнаружения по сравнению с моделью, которая была подготовлена в восемь раз более реальными повреждениями (0,55 FROC для обоих видов). Кроме того, " LesionSCynth " превысила два основных метода синтеза повреждений: " LesionMix " (0,43) и " CarveMix " (0,41) в режиме низких данных. Эти результаты свидетельствуют о том, что " LesionSCynth " является практическим и эффективным решением для уменьшения нагрузки на аннотацию при одновременном совершенствовании методов обнаружения множественных склерозов (MS) и сегментации спинного мозга.

Оригинал публикации

LesionSCynth: A simple parametric lesion synthesis method to improve spinal cord lesion segmentation in low-data scenarios.

Detecting multiple sclerosis lesions in spinal cord MRI is a critical but complex task for radiologists and neurologists. While deep learning models have shown promise for this task, training these models requires large manually annotated datasets, which are time consuming and expensive to create. To reduce the annotation burden, this study proposes LesionSCynth, a parametric framework for synthesising hyperintense lesions in spinal cord MRI. Based on analysis of the intensity distribution of real lesions in sagittal T2-weighted acquisitions, LesionSCynth generates realistic synthetic lesions that can augment small annotated datasets. Segmentation models trained on a combination of these synthetic lesions and 17 real acquisitions achieved notably better performance than those trained on the real lesions alone (0.52 vs. 0.46 FROC, respectively). Notably, models trained with LesionSCynth lesions achieved similar detection performance to a model trained on eight times more real lesions (0.55 FROC for both). Moreover, LesionSCynth outperformed two leading lesion synthesis methods, LesionMix (0.43) and CarveMix (0.41), in low-data regimes. These findings position LesionSCynth as a practical and effective solution for reducing the annotation burden while improving multiple sclerosis (MS) lesion detection and segmentation in spinal cord MRI.

LesionSCynth: Простой метод синтеза параметрических повреждений для улучшения сегментации позвоночника в сценариях с низким уровнем данных.

Ошибки и ограничения

Аннотация

LesionSCynth: A simple parametric lesion synthesis method to improve spinal cord lesion segmentation in low-data scenarios.